本论文以一类未知非线性非仿射离散时间重复系统为被控对象,研究基于控制器动态线性化的数据驱动迭代学习控制方法,给出系统化的学习控制器结构设计和学习控制器参数自动整定途径,讨论学习控制系统设计和分析的若干问题,并通过仿真和实验进行验证。本文的主要研究内容和创新点总结如下:一、针对不同复杂程度的未知单入单出非线性非仿射离散时间重复被控对象,研究四种基于控制器动态线性化的数据驱动迭代学习控制方法。首先,基于未知非线性理想学习控制器,分别给出沿迭代轴紧格式、偏格式和全格式动态线性化以及沿迭代轴和时间轴2维全格式动态线性化的四种学习控制律。其次,借助被控对象沿迭代轴方向的等价数据模型,仅利用被控对象的量测输入输出数据,采用类牛顿优化方法实现学习控制增益沿迭代轴方向的自动整定。然后,结合伪偏导数和伪梯度的估计律,形成四种数据驱动迭代学习控制方法,并在2-范数意义下证明所提控制方法沿迭代轴方向的逐点收敛性。最后,数例仿真和对比分析验证所提控制方法的有效性。二、针对上述未知单入单出非线性重复系统,引入径向基函数神经网络（radial basis function neural network,RBFNN）,逼近期望学习控制增益参数,增强所提数据驱动迭代学习控制方法跟踪被控对象非线性的能力。首先,基于沿迭代轴全格式动态线性化的学习控制律和被控对象等价数据模型,采用最速下降方法分别完成网络权重矩阵参数的自适应估计和被动对象未知信息的估计,并给出基于RBFNN的改进型数据驱动迭代学习控制方法。然后,理论分析证明所提控制方法在2-范数意义下沿迭代轴方向的逐点一致最终有界性。最后,利用数例仿真和高速列车模型仿真,验证所提控制方法的有效性和适用性。三、针对不同复杂程度的未知多入多出非线性非仿射离散时间重复系统,研究两种基于控制器动态线性化的数据驱动迭代学习控制方法。首先,针对未知非线性多入多出理想学习控制器,分别采用沿迭代轴方向的紧格式和偏格式动态线性化方法,给出两种对应的学习控制律,并证明其存在性。然后,基于被控对象的等价数据模型,利用最速下降方法,分别完成学习控制律中伪雅克比矩阵和伪分块雅克比矩阵沿迭代轴方向的自适应整定,该方法避免了采用类牛顿优化方法带来的矩阵求逆问题。其次,结合被控对象的伪雅克比矩阵估计算法,形成两种数据驱动迭代学习控制方法,并在一般范数意义下证明所提两种控制方法沿迭代轴方向的逐点收敛性。最后,数例仿真和龙门直线电机实验验证所提两种控制方法的有效性和应用性。四、以未知非线性非仿射离散时间重复异构多智能体系统为被控对象,针对前述基于单个智能体提出的数据驱动控制方法,不能处理每个智能体的动力学与通讯拓扑之间的相互关联对全局控制目标的影响,研究基于控制器动态线性化的数据驱动分布式领导者-跟随者迭代学习一致性跟踪控制问题。首先,以图论为基础,给出三种基于未知非线性分布式理想学习控制器的等价学习控制律,即沿迭代轴紧格式、偏格式和全格式动态线性化的分布式学习控制律,并给出存在性证明。其次,结合每个智能体的等价数据模型,仅利用智能体的邻近局部量测信息,通过类牛顿优化算法,在分布式控制目标框架下完成学习控制增益沿迭代轴方向的分布式自动整定,并形成三种数据驱动分布式迭代学习控制方法。理论分析表明提出的三种分布式控制方法可以保证所有智能体的跟踪误差在迭代独立和迭代变化通讯拓扑下沿迭代轴方向的逐点收敛性。最后,数例仿真和永磁直线电机多智能体系统仿真验证所提三种分布式控制方法的有效性和适用性。